CN111539374B - 基于多维数据空间的轨道列车轴承故障诊断方法 - Google Patents
基于多维数据空间的轨道列车轴承故障诊断方法 Download PDFInfo
- Publication number
- CN111539374B CN111539374B CN202010384367.3A CN202010384367A CN111539374B CN 111539374 B CN111539374 B CN 111539374B CN 202010384367 A CN202010384367 A CN 202010384367A CN 111539374 B CN111539374 B CN 111539374B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- train
- multidimensional
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及一种基于多维数据空间的轨道列车轴承故障诊断方法,包括以下步骤:1)采集列车正常运行的样本数据;2)对采集到样本数据进行预处理和自动标签,构建分类模型进行训练,得到分类识别结果,划分运行状态对应的数据类;3)对具有相同运行状态的数据类通过映射构建样本多维数据空间;4)采集待检测的样本数据,识别得到分类识别结果后在待检测的样本数据中划分运行状态对应的数据类,并将其映射到样本多维数据空间中;5)计算检测样本数据点与中心或质心的距离,并与设定距离阈值相比较,根据比较结果进行故障报警。与现有技术相比,本发明具有扩大信息采集和应用范围、提高检测准确率和可靠性、诊断正确率高等优点。
Description
技术领域
本发明涉及轨道列车轴承故障诊断领域,尤其是涉及一种基于多维数据空间的轨道列车轴承故障诊断方法。
背景技术
随着我国城市轨道交通的跨越式高速发展,轨道交通面临着严峻的安全问题。轨道车辆具有运行状态复杂多变、噪声干扰大、故障模式复杂、可靠性要求高等特点,对故障诊断提出了较高的要求,滚动轴承是高速列车中最易损坏的重要零部件之一,工作环境复杂,当受到过大的载荷冲击或者安装设计不当、润滑状态不良等因素影响时,都有可能出现故障,造成重大安全隐患和巨大经济损失,因此快速、准确地对列车轴承进行故障诊断,及时定位故障,在确保轨道交通***安全、可靠、稳定运行中具有重要意义。
目前,轴承的故障诊断主要以振动信号分析为基础,近十年来已经发展了丰富的轴承诊断技术,例如包络谱分析、小波分析、经验模式分解等,这些方法通过不断优化,已经在工程应用领域发挥了一定的作用,准确率不断提升。但是仍然存在一定局限性,包括:采集的信息种类较为局限,对车辆的实际运行状态、不同车辆本身的特点考虑的不够全面,存在大量的有效信息浪费的情况,缺乏普遍适用性;采用单一维度的物理信号很难适应复杂的工况,陷入局部诊断的误区,诊断可靠性不足,易造成安全隐患;对于早期故障的诊断经验不足,诊断实时性还有待提高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多维数据空间的轨道列车轴承故障诊断方法。
本发明的目的可以通过以下技术方案来实现:
一种基于多维数据空间的轨道列车轴承故障诊断***,该***包括:
数据采集单元:用以采集轴承检测信号和列车状态识别辅助信息数据;
数据发送单元:用以将数据采集单元采集到的数据发送至运行状态识别单元;
运行状态识别单元:接收数据发送单元传送的数据,并对采集到的数据进行预处理,通过分类识别获得列车的运行状态;
计算单元:用以计算质心和中心值,以及各检测样本数据点与正常样本的质心或中心之间的距离或差值,并将结果传送至结果显示单元;
结果显示单元:用以进行阈值判断,将在正常阈值内的数据传回计算单元,异常数据发送至异常报警单元内,进行故障报警。
一种基于多维数据空间的轨道列车轴承故障诊断方法,包括以下步骤:
1)采集列车正常运行的样本数据;
2)对采集到样本数据进行预处理和自动标签,形成参数训练样本集,构建分类模型并使用参数训练样本集进行训练,得到分类识别结果,即列车运行状态标签,并在参数训练样本集中划分运行状态对应的数据类;
3)对具有相同运行状态的数据类通过映射构建样本多维数据空间,并确定多维数据空间中每类正常运行状态的数据类对应的中心或质心;
4)采集待检测的样本数据,并且采用训练好的分类模型识别得到分类识别结果后在待检测的样本数据中划分运行状态对应的数据类,并将其映射到样本多维数据空间中得到对应的检测样本;
5)计算检测样本数据点与中心或质心的距离,并与设定距离阈值相比较,根据比较结果进行故障报警并输出。
所述的步骤1)中,样本数据包括轴承检测信号和列车状态识别辅助信息。
所述的轴承检测信号包括电机轴承振动信号、齿轮轴承振动信号和/或齿轮啮合振动信号。
所述的列车状态识别辅助信息包括列车载重、列车运行状态、列车姿态、列车速度和列车加速度信息,所述的列车运行状态包括启动、匀速、加速、减速、弯道和制动状态。
所述的步骤2)中,预处理具体包括以下步骤:
21)数据整理:整理故障诊断样本集,剔除冗余和无效的数据;
22)归一化处理:采用离差标准化进行归一化处理,以减少数据误差,保证后续分类识别结果的可靠性。
所述的步骤2)中,分类模型采用SVM分类器或神经网络分类器。
所述的步骤3)中,当具有相同运行状态的数据类为一维数据时,则以一维数据的中心作为故障判断依据,若具有相同运行状态的数据类为多维数据时,则以多维数据的质心作为故障判断依据。
所述的一维数据的中心具体为一维数据的平均值,在一维数据空间中,以检测样本映射的点与中心之间的距离与距离阈值相比较,在距离阈值内的数据判定为正常数据,在距离阈值外的数据则判定为故障数据,并进行故障报警。
所述的多维数据由多个一维数据加权构成,在多维数据空间中,以检测样本映射的点与质心之间的欧式距离与距离阈值相比较,在距离阈值内的数据判定为正常数据,在距离阈值外的数据则判定为故障数据,并进行故障报警。
与现有技术相比,本发明具有以下优点:
一、提高数据利用率:采用基于多维数据空间的诊断方法,可以在保障准确率的前提下,最大限度的利用更多维度的数据,降低故障误报率。
二、故障诊断可靠性高:在实际工况较为复杂,检测数据质量不高的情况下,通过对各检测信号对应权重构建多维数据空间加权矩阵,对具有相同运动状态的数据类创建样本多维坐标空间,并且,应用加权矩阵和自动标签分类,既考虑了整个数据集的特性,又消除了各数据集属性之间量纲的差异,并且在一定程度上减弱了噪声数据对距离度量的影响,将距离度量应用到入侵检测中,对复杂的数据集,可以排除次要数据类对结果造成的干扰,提高了***的可靠性。
三、提高分类算法的计算速度:对数据集进行规范化处理,有助于加快分类算法的计算速度,并且可以帮助防止具有较大初始值域的属性与具有较小初始值域的属性相比权重过大,进而影响距离度量的准确性。
四、多层控制:本发明将基于多维数据空间的轨道列车轴承故障诊断***分为多个层次的处理单元,然后根据列车实时运动状态,实时性强,可以根据列车运动状态不同造成的信号差异,进一步优化***。
附图说明
图1为本发明轨道列车轴承故障诊断***的结构框图。
图2为本发明轨道列车轴承故障诊断方法的实现流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明针对背景技术中提到的问题,提出了一种基于多维数据空间的轨道列车轴承故障诊断***及方法,通过创建样本多维数据空间对轨道列车轴承部件的异常状态信息进行报警和定位,扩大了信息采集和应用的范围,提高了检测准确率和可靠性,具有较强的实用价值。
如图1所示,本发明包括一种轨道列车轴承故障诊断***框图,包括数据采集单元、数据发送单元、运行状态识别单元、计算单元、结果显示单元、异常报警单元。数据发送单元输入端为数据采集单元,其输出端为运行状态识别单元,计算单元包含质心计算模块、中心值计算模块、距离计算模块、差值计算模块,输入端为运行状态识别单元,将振动检测数据分别输出到质心计算模块和中心值计算模块中,结果显示单元的输入端为计算单元,诊断结果正常则将数据集反馈给计算单元重新计算,将异常结果输出至异常报警单元。
数据采集单元用以采集轴承检测信号和列车状态识别辅助信息数据;数据发送单元用以将采集到的数据发送至运行状态识别单元;运行状态识别单元用以接收数据发送单元传送的数据,并对采集到的数据进行处理,获得列车运行状态;计算单元用以计算质心和中心值,并分别计算各数据点与质心和中心值之间的距离和差值,将结果传送至结果显示单元;结果显示单元用以进行阈值判断,将在正常阈值内的数据传回计算单元,异常信息传送至异常报警单元内,进行故障报警。
图2为本发明轨道列车轴承故障诊断方法的实现流程图,该方法基于数据空间判定方法建立轨道列车轴承的故障诊断模型,针对复杂工况下轴承状态采集信息使用率不足,故障判断可靠性不足的情况,引入多维检测信号坐标空间的阈值判断方法进行精确分类,包括以下步骤:
步骤1、采集样本,包括轴承检测信号和列车状态识别辅助信息;
步骤2、对原始数据进行预处理和自动标签;
步骤3、分类识别算法对获得的数据进行训练,识别列车运行状态,确定数据类;
步骤4、基于已进行列车运行状态识别获得的具有相同标签的数据类,依据各检测信号对应权重构建多维数据空间加权矩阵并获得同步检测数据向量空间坐标,创建样本多维数据空间,包括一维检测信号向量和多维检测信号向量组;
步骤5、对于一维检测信号向量,计算一维向量的中心值,以及检测样本各数据点与中心值的差值,进行待检信号与单参数中心值差值阈值的比较判断;对于多维检测信号向量组,获得样本多维数据空间计算质心坐标,并计算待检单次同步采集信号各数据点与质心的欧式距离,并将其与质心距离阈值进行比较判断;
步骤6、获得异常检测结果,报警并输出异常检测点。
各步骤的详细介绍如下:
步骤1、采集样本:通过传感器实时采集列车运行过程中的轴承检测信号,主要包括单个或多个电机轴承振动信号、单个或多个齿轮轴承振动信号、单个或多个齿轮啮合振动信号(对应一维或多维检测信号),列车状态识别辅助信息,主要包括列车载重、列车运行状态记录、列车姿态、列车速度、列车加速度。
步骤2、列车状态识别:采用分类识别算法对列车运行状态进行识别,对步骤1中获得的原始采集样本进行预处理,数据预处理主要包括:
步骤2.1、数据整理:整理故障诊断样本集,剔除冗余、无效的数据;
步骤2.2、归一化处理:由于不同检测信号之间的量纲以及数量级都有不同,因此需要对数据进行归一化处理,减少数据分析结果的偏差,保证后续结果的可靠性,本发明对输入变量采用的归一化方法是离差标准化,将原始数据归一化到[0,1]之间,针对归一化前的数据X(i),经过归一化处理后数据X(i)′,
计算公式如下:
其中i=1,2,...,i,为样本中单一采集信号的采集次数。
步骤3、选取识别算法分别对不同运动状态下的参数训练样本进行训练,得到对采集数据进行列车运行状态识别划分的分类模型,对待检测的样本数据采用获得的分类模型进行列车运行状态识别,划分具体数据类。
步骤4、创建样本多维数据空间:采用步骤2中已进行列车运行状态识别的具有相同标签的数据类,依据各检测信号对应权重,构建多维数据加权矩阵并获得同步检测数据向量在多维数据空间中的对应坐标,对具有相同运动状态的数据类创建样本多维数据空间。
具体如下:一维检测信号构成的向量,
[X(t1),X(t2),…,X(tn)]
其中,[t1,t2,…,tn]代表同步采集时间序列。由多组一维检测信号向量构成如下多维数据加权矩阵,
其中,1,2,3,…,j为依据样本创建的多维数据空间维度,[ω1,ω2,…,ωn]是各维检测参数的权重。
步骤5、基于多维数据空间判断。
步骤5.1、计算一维数据中心值:
步骤5.2、依据参数训练样本集计算多维数据空间质心坐标,计算公式为:
待检的数据映射到多维空间中的坐标为(ω1X1,ω2X2,…,ωjXj),采用欧式距离计算待检测的样本数据与质心的距离值,即:
步骤5.3、参数阈值判断:包括一维阈值Ssj判断,和多维阈值Sm判断。
基于参数训练样本集,在多维数据空间中设置对应的正常阈值,即以质心为中心,距离质心Sm范围内。如果待检测的样本数据与质心的欧式距离大于Sm,判断为异常情况。
步骤6、获得异常检测结果,报警并输出异常检测点。
以上所述仅为本发明的较佳实例,并不用以限制本发明,凡在本发明的精神和原
则内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于多维数据空间的轨道列车轴承故障诊断方法,其特征在于,包括以下步骤:
1)采集列车正常运行的样本数据,样本数据包括轴承检测信号和列车状态识别辅助信息,所述的轴承检测信号包括电机轴承振动信号、齿轮轴承振动信号和/或齿轮啮合振动信号,所述的列车状态识别辅助信息包括列车载重、列车运行状态、列车姿态、列车速度和列车加速度信息,所述的列车运行状态包括启动、匀速、加速、减速、弯道和制动状态;
2)对采集到样本数据进行预处理和自动标签,形成参数训练样本集,构建分类模型并使用参数训练样本集进行训练,得到分类识别结果,即列车运行状态标签,并在参数训练样本集中划分运行状态对应的数据类;
3)对具有相同运行状态的数据类通过映射构建样本多维数据空间,并确定多维数据空间中每类正常运行状态的数据类对应的中心或质心,当具有相同运行状态的数据类为一维数据时,则以一维数据的中心作为故障判断依据,所述的一维数据的中心具体为一维数据的平均值,具体计算式为:
在一维数据空间中,以检测样本映射的点与中心之间的距离与距离阈值相比较,在距离阈值内的数据判定为正常数据,在距离阈值外的数据则判定为故障数据,并进行故障报警;
若具有相同运行状态的数据类为多维数据时,则以多维数据的质心作为故障判断依据,所述的多维数据由多个一维数据加权构成,在多维数据空间中,以检测样本映射的点与质心之间的欧式距离与距离阈值相比较,在距离阈值内的数据判定为正常数据,在距离阈值外的数据则判定为故障数据,并进行故障报警,所述的多维数据的质心坐标为则有:
其中,k∈1,2,…,n;
4)采集待检测的样本数据,并且采用训练好的分类模型识别得到分类识别结果后在待检测的样本数据中划分运行状态对应的数据类,并将其映射到样本多维数据空间中得到对应的检测样本;
5)计算检测样本数据点与中心或质心的距离,并与设定距离阈值相比较,根据比较结果进行故障报警并输出。
2.根据权利要求1所述的一种基于多维数据空间的轨道列车轴承故障诊断方法,其特征在于,所述的步骤2)中,预处理具体包括以下步骤:
21)数据整理:整理故障诊断样本集,剔除冗余和无效的数据;
22)归一化处理:采用离差标准化进行归一化处理,以减少数据误差,保证后续分类识别结果的可靠性。
3.根据权利要求1所述的一种基于多维数据空间的轨道列车轴承故障诊断方法,其特征在于,所述的步骤2)中,分类模型采用SVM分类器或神经网络分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384367.3A CN111539374B (zh) | 2020-05-07 | 2020-05-07 | 基于多维数据空间的轨道列车轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384367.3A CN111539374B (zh) | 2020-05-07 | 2020-05-07 | 基于多维数据空间的轨道列车轴承故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539374A CN111539374A (zh) | 2020-08-14 |
CN111539374B true CN111539374B (zh) | 2022-05-20 |
Family
ID=71979182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384367.3A Active CN111539374B (zh) | 2020-05-07 | 2020-05-07 | 基于多维数据空间的轨道列车轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539374B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156913A (zh) * | 2021-02-05 | 2021-07-23 | 深圳大雷汽车检测股份有限公司 | 一种abs故障诊断***及方法 |
CN112836896A (zh) * | 2021-03-03 | 2021-05-25 | 西门子工厂自动化工程有限公司 | 用于维护设备的方法和用于维护设备的*** |
CN113569475B (zh) * | 2021-07-21 | 2023-09-01 | 上海工程技术大学 | 一种基于数字孪生技术的地铁轴箱轴承故障诊断*** |
CN115809435B (zh) * | 2023-02-06 | 2023-05-12 | 山东星科智能科技股份有限公司 | 基于模拟器的汽车运行故障识别方法 |
CN117332233B (zh) * | 2023-10-07 | 2024-05-31 | 江苏丰昌机电科技有限公司 | 一种电机智能化维护*** |
CN117943891A (zh) * | 2024-03-22 | 2024-04-30 | 济南二机床集团有限公司 | 数控机床电主轴轴承故障检测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018015127A1 (de) * | 2016-07-20 | 2018-01-25 | Thales Austria Gmbh | Anlage und verfahren zum feststellen wenigstens eines zustands eines zuges |
CN110111446A (zh) * | 2019-01-25 | 2019-08-09 | 东北大学 | 一种基于运行工况的高铁列车数据自适应采集***及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1999014093A1 (en) * | 1997-09-12 | 1999-03-25 | New York Air Brake Corporation | Method of optimizing train operation and training |
AR091412A1 (es) * | 2013-06-11 | 2015-02-04 | Ypf Sa | Dispositivo y metodo para diagnosticar situaciones anomalas en procesos |
CN104392071B (zh) * | 2014-12-12 | 2017-09-29 | 北京交通大学 | 一种基于复杂网络的高速列车***安全评估方法 |
CN104931263B (zh) * | 2015-06-18 | 2016-10-12 | 东南大学 | 一种基于符号化概率有限状态机的轴承故障诊断方法 |
CN109100143A (zh) * | 2018-07-06 | 2018-12-28 | 华中科技大学 | 基于ceemdan和cfsfdp的滚动轴承故障诊断方法及设备 |
CN109033582A (zh) * | 2018-07-12 | 2018-12-18 | 西安英特迈思信息科技有限公司 | 一种高速列车多参数智能阈值准则 |
CN110503004B (zh) * | 2019-07-29 | 2022-03-22 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
-
2020
- 2020-05-07 CN CN202010384367.3A patent/CN111539374B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018015127A1 (de) * | 2016-07-20 | 2018-01-25 | Thales Austria Gmbh | Anlage und verfahren zum feststellen wenigstens eines zustands eines zuges |
CN110111446A (zh) * | 2019-01-25 | 2019-08-09 | 东北大学 | 一种基于运行工况的高铁列车数据自适应采集***及方法 |
Non-Patent Citations (1)
Title |
---|
Triplet Loss Guided Adversarial Domain Adaptation for Bearing Fault Diagnosis;Xiaodong Wang et al;《sensors》;20200106;1-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111539374A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539374B (zh) | 基于多维数据空间的轨道列车轴承故障诊断方法 | |
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN110567720A (zh) | 非平衡小样本场景下风机轴承故障深度对抗诊断方法 | |
CN108332970A (zh) | 一种基于ls-svm和d-s证据理论的轴承故障诊断方法 | |
CN115809435B (zh) | 基于模拟器的汽车运行故障识别方法 | |
CN111678699B (zh) | 一种面向滚动轴承早期故障监测与诊断方法及*** | |
CN108267312B (zh) | 一种基于快速搜索算法的地铁列车轴承智能诊断方法 | |
CN103969052A (zh) | 基于离群分析的柴油机故障诊断方法 | |
CN114462480A (zh) | 基于非均衡数据集下的多源传感器轧机故障诊断的方法 | |
CN114564987A (zh) | 一种基于图数据的旋转机械故障诊断方法及*** | |
CN114491828A (zh) | 一种基于多门控混合专家多任务学习的复合故障诊断方法 | |
CN115112372A (zh) | 轴承故障诊断方法、装置、电子设备及存储介质 | |
CN116956215A (zh) | 一种传动***故障诊断方法及*** | |
CN116702053A (zh) | 一种基于多元信息与mcsa-svm的农机故障检测方法 | |
CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及*** | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
CN115356133B (zh) | 一种转向架运行工况在线监测、实时分类与识别算法 | |
CN114861749A (zh) | 一种基于深度原型网络的少样本轴承故障诊断方法 | |
CN114742093A (zh) | 基于时频曲线提取和分类的滚动轴承故障诊断方法及装置 | |
CN111351655A (zh) | 一种铁路机车齿轮箱中齿轮故障诊断方法 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和*** | |
CN113505817A (zh) | 不均衡数据下轴承故障诊断模型样本自适应加权训练方法 | |
Yu et al. | Application of distance measure in KNN motor fault diagnosis | |
CN213904372U (zh) | 一种基于数据融合的高速列车传动故障诊断*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |